Interpretable Cross-Sphere Multiscale Deep Learning Predicts ENSO Skilfully Beyond 2 Years

📄 arXiv: 2503.21211v2 📥 PDF

作者: Rixu Hao, Yuxin Zhao, Shaoqing Zhang, Guihua Wang, Xiong Deng

分类: physics.ao-ph, cs.LG

发布日期: 2025-03-27 (更新: 2025-07-25)

备注: 13 pages, 4 figures

💡 一句话要点

PTSTnet：可解释跨尺度深度学习模型，ENSO预测能力突破2年

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: ENSO预测 深度学习 可解释性 跨尺度学习 物理编码 气候预测 海洋-大气相互作用

📋 核心要点

  1. 现有动力学模型在ENSO长期预测中存在偏差和不确定性，深度学习方法缺乏可解释性且难以处理多尺度动力学。
  2. PTSTnet通过物理编码学习，在神经网络框架中融合动力学过程和跨尺度时空学习，提升模型的可解释性和预测能力。
  3. 实验结果表明，PTSTnet在超过24个月的提前期预测中，显著优于现有基准模型，并提供了海洋-大气相互作用的物理见解。

📝 摘要（中文）

厄尔尼诺-南方涛动(ENSO)对全球气候和社会产生重大影响，但提前一年以上的实时预测仍然具有挑战性。动力学模型存在较大的偏差和不确定性，而深度学习则面临可解释性和多尺度动力学问题。本文提出了一种可解释的模型PTSTnet，该模型在一个创新的神经网络框架中统一了动力学过程和跨尺度时空学习，并进行了物理编码学习。PTSTnet产生的可解释预测显著优于最先进的基准模型，提前期超过24个月，为海洋-大气相互作用中的误差传播提供了物理见解。PTSTnet从稀疏数据中学习具有物理一致性的特征表示，以应对海洋-大气过程固有的多尺度和多物理挑战，从而从根本上提高了长期预测能力。我们的成功实现标志着在创新神经海洋建模的可解释性方面迈出了重要一步。

🔬 方法详解

问题定义：论文旨在解决厄尔尼诺-南方涛动(ENSO)长期预测的难题。现有动力学模型存在偏差和不确定性，难以准确预测超过一年的ENSO事件。深度学习方法虽然在短期预测中表现良好，但缺乏可解释性，难以理解其预测机制，并且难以有效处理海洋-大气系统复杂的多尺度动力学过程。

核心思路：PTSTnet的核心思路是将物理知识融入到深度学习模型中，通过物理编码学习，使模型能够学习到具有物理意义的特征表示，从而提高模型的可解释性和长期预测能力。该方法旨在结合动力学模型的物理基础和深度学习的强大学习能力，克服各自的局限性。

技术框架：PTSTnet的整体架构是一个创新的神经网络框架，它融合了动力学过程和跨尺度时空学习。具体来说，模型可能包含以下模块：1) 数据输入模块：用于处理海洋和大气数据，例如海面温度、风场等。2) 物理编码模块：将已知的物理规律（例如热力学方程）编码到网络结构或损失函数中。3) 跨尺度时空学习模块：利用卷积神经网络或循环神经网络等结构，学习不同尺度上的时空特征。4) 预测输出模块：生成ENSO的预测结果，例如Nino3.4指数。

关键创新：PTSTnet的关键创新在于其物理编码学习方法，它将物理知识显式地融入到深度学习模型中，使得模型能够学习到具有物理意义的特征表示。这种方法与传统的黑盒深度学习模型不同，它提供了模型预测的物理依据，提高了模型的可解释性。此外，PTSTnet还关注于跨尺度时空学习，能够有效处理海洋-大气系统复杂的多尺度动力学过程。

关键设计：具体的网络结构、损失函数和参数设置等技术细节未知，但可以推测，物理编码模块可能通过定制化的卷积核或循环单元来实现，损失函数可能包含物理约束项，例如能量守恒或质量守恒。跨尺度时空学习模块可能采用多层卷积神经网络或循环神经网络，以捕捉不同尺度上的时空特征。具体的参数设置需要根据实际数据和实验结果进行调整。

📊 实验亮点

PTSTnet在超过24个月的提前期预测中，显著优于现有基准模型，表明其在ENSO长期预测方面具有显著优势。该模型不仅提高了预测精度，还提供了海洋-大气相互作用的物理见解，为理解ENSO的动力学机制提供了新的视角。具体的性能数据和对比基线在论文中应该有详细描述，此处未知。

🎯 应用场景

该研究成果可应用于ENSO的长期预测，为农业、水资源管理、灾害预警等领域提供决策支持。更准确的ENSO预测有助于减轻气候变化带来的负面影响，提高社会经济的可持续性。此外，该研究提出的物理编码学习方法也可推广到其他气候预测问题，例如季风预测、极端天气事件预测等。

📄 摘要（原文）

El Niño-Southern Oscillation (ENSO) exerts global climate and societal impacts, but real-time prediction with lead times beyond one year remains challenging. Dynamical models suffer from large biases and uncertainties, while deep learning struggles with interpretability and multi-scale dynamics. Here, we introduce PTSTnet, an interpretable model that unifies dynamical processes and cross-scale spatiotemporal learning in an innovative neural-network framework with physics-encoding learning. PTSTnet produces interpretable predictions significantly outperforming state-of-the-art benchmarks with lead times beyond 24 months, providing physical insights into error propagation in ocean-atmosphere interactions. PTSTnet learns feature representations with physical consistency from sparse data to tackle inherent multi-scale and multi-physics challenges underlying ocean-atmosphere processes, thereby inherently enhancing long-term prediction skill. Our successful realizations mark substantial steps forward in interpretable insights into innovative neural ocean modelling.